_圈层_结构_时空差异与能源强度_以十大城市群为例_李治_连玉君_李培_郭菊娥
“圈层”结构、时空差异与能源强度———以十大城市群为例李治1连玉君2李培3郭菊娥4（1．西安建筑科技大学管理学院，陕西西安，710055；2．中山大学岭南学院金融学系，广东广州，510275；3．新加坡国立大学房地产研究中心，新加坡，119613；4．西安交通大学管理学院，陕西西安，710049）【摘要】借助于经济地理学的理论视角，使用城市引力模型对十大城市群“圈层”结构进行测度，然后对城市群“圈层”结构降低能源强度的影响程度及其时空差异进行分析。
结果显示，成熟的城市群和适度的“圈层”结构更容易降低能源强度。
从空间维度上看，东部城市群“圈层”结构显著降低了能源强度，但在0.45边界标准之后，降低能源强度程度明显变小。
中西部城市群“圈层”结构降低能源强度程度小于东部城市群，大部分结果仅在10%水平上显著。
从时间维度上看，相机抉择使得政府节能减排战略未能实现预期目标，短期内弱化了“圈层”结构降低能源强度效果。
控制行政分割等变量发现，政府干预更容易凸显拥挤效应的约束作用，借助市场和空间的力量更有利于节能减排目标的实现。
【关键词】圈层经济结构；能源强度；地区差异；阶段特征；城市引力模型【中图分类号】F062.1；F061.5【文献标识码】A基金项目：国家自然科学基金面上项目“西部民生诉求下的碳减排实现途径及扶持政策研究”（编号：71173169）；中国博士后科学基金“西部城市群碳减排约束条件及减排机理研究”（编号：2013M532067）；浙江省自然科学基金青年项目“浙江省新型城市化与产业转型升级协同发展的机理研究”（编号：LQ13G030017）；西安市社科基金“西安市碳减排路径及扶持政策研究”（编号：14J224）；西安建筑科技大学青年科技基金项目“关中—天水城市群碳减排约束条件与减排机理研究”（编号：DA08112）0引言从理论上讲，提高能源效率具有“开源”与“节流”的双重含义，但是目前我国理论界讨论提高能源效率或节能更多的是技术节能、产业节能等，却忽视了空间节能。
好的空间结构和形态被普遍认为是城市或区域可持续发展的基础，而且城市的出现及空间重构与经济集聚是同一互相强化的过程：一方面，城市和经济集聚的交互发展为彼此提供了更多的发展空间和生产空间；另一方面，通过技术溢出效应、规模效应及降低竞争成本等渠道，经济聚集可以推动技术进步、降低能源在内的各类要素的单位产出消耗量以及形成有效的节能激励机制来达到降低能源强度的积极效应。
新经济地理学认为为了获取更高的收益率以及共享基础设施和信息、技术，大量企业、产品和要素向城市集中，最终构成了区域层面经济集聚———城市群［1］［2］，对于群内不同等级城市间紧密联系的表现形态，吴小波等将其描述为当该区域经济集聚平均程度达到饱和时，经济会出现向外扩张的趋势，形成不断循环的次一级经济发展带，这种循环运动最终可以增强中心城市的影响力，当中心地区的影响力覆盖到整个区域时，整个区域经济达到稳态，就形成了城市群“圈层”结构［3］。
伴随着城市群经济规模的持续扩大容易出现过度集聚现象，会由于投入过多造成生产阻塞而导致产出降低的现象，能源的过度消耗也就难以避免。
这使得一些传统产业出现资源配置效率不尽如意、生产要素拥挤等问题，急待寻找新的发展空间，可见这种拥挤效应引起的非经济性使得生产要素在空间具有分散趋势，会对区域能源强度可能产生正向影响。
基于此，我们提出本文的第一个研究假设，城市群“圈层”结构会对降低能源强度产生正向影响，而伴随出现的拥挤效应则会产生负向影响，城市群内中心城市对腹地城市经济联系强度的转换差异是城市群能源强度呈现差异的重要原因。
我国地域辽阔，地区间经济发展和城市化水平存在较大差距，尤其是长期以来中西部城市群未达到发育标准，而东部城市群投入产出效率明显要高于中西部城市群［4］，这使得不同地域的城市群“圈层”结构对能源强度的影响也可能会产生巨大的差异。
另外，经济聚集过程中并非仅有市场力量在发挥作用，地方政府为了提高政绩对辖区内经济聚集的干预也较为普遍，尤其2006年中央政府首次将节能减排目标纳入国民经济发展规划纲要以后，为了在“让利竞争”中获得优势，使得城市群内地方政府具有足够的激励在环境规制上“逐底竞争”，这使得地方政府间在降低能源强度问题上存在积极竞争与消极合作的行为［5］，从而容易出现地方政府环境规制失灵现象，因此集聚过程中规模经济并不会永远存在，也可能会对能源强度产生不同影响。
本文提出第二个研究假设，城市群“圈层”结构降低能源强度效应存在地区差异和阶段性特征，在简单动用行政手段规制所有地区节能水平的节能减排政策下，在聚集过程中降低能源强度的规模效应不可能永远存在。
基于本文提出的两个假设，本文试图捕捉城市群“圈层”结构对能源强度产生的影响，并分别从空间维度及时间维度两种视角来解读经济集聚与拥挤效应对降低能源强度的作用机制及影响程度，从而探寻空间和市场力量共同提升能源效率的可行选择，为后续的相关研究提供理论铺垫。
本文在结构上安排如下：第二部分为对经济集聚、拥挤效应和能源强度以及存在的时空差异的相关文献进行回顾；第三部分介绍我们研究使用的模型、变量和数据；第四部分为实证结果讨论，最后对本文小结和政策建议。
1文献回顾目前大量研究认为能源效率改进的本质在于结构变化及技术进步。
事实上，经济集聚本身就是随经济发展水平提高而不断变化的，同样会对能源效率产生重要影响。
杨礼琼等发现集聚的马歇尔外部性与雅各布斯外部性与环境技术效率都呈现倒U型关系［6］。
李思慧研究发现产业集聚会产生外部经济效应，企业通过成本节约和学习与创新能力的增强可以获得较高的能源效率［7］。
沈能等则认为集聚外部性是降低碳排放的重要机制，在节能减排工作中要充分发挥空间聚集的“自净效应”［8］。
在城市化对能源效率影响方面，萨多斯基（Sadorsky P）认为城镇化既能够带动能源消费增加又可以产生规模经济来促进能源效率，通过对能源消费形成的两种相左的力量最终会提升能源效率［9］。
韩峰等发现空间集聚外部性对地区能源效率的综合效应均为正，但各地区不同集聚外部性对能源效率的作用渠道和影响效果存在差异［10］。
在城市经济增长与能源效率差异及收敛方面，李治等研究发现随着人均城市GDP差异的收敛，我国内陆地区与沿海地区的城市能源消费强度差异也是收敛的［11］。
孙广生等的实证结果显示，尽管地区间“能源效率缺口”绝对量在逐年扩大，但表现出一定的追赶与收敛趋势［12］。
可以看出，区域经济集聚与城市化互动发展通过市场机制引导企业在空间布局上更为接近，形成经济集聚诱发技术外溢，最终产生规模经济带动能源强度下降，而且能源强度差异会伴随着经济增长表现出一定的收敛态势。
伴随经济集聚而产生的拥挤效应也会对能源强度产生影响。
马瑞威耶克（Van Marrewijk）认为集聚力来自厂商之间的外部规模经济，城市拥挤和环境污染等外部不经济是阻碍经济活动进一步空间集聚的离散力量［13］。
唐根年等指出部分制造业出现空间聚集过度及生产要素拥挤迹象，这会造成生产要素的输入过剩和输出效率损失［14］。
周圣强等测算发现，2003年以前我国经济集聚以规模效应为主，2003年后拥挤效应的约束性作用越来越凸显，经济效率与集聚度存在着倒U型的关系［15］。
师博等则发现城市密度上升初期，内嵌于基础设施的能源利用效率得以提升；当城市密度进一步提高，由于“拥挤效应”的作用使得能源效率反转下降［16］。
这些分析表明，地区“拥挤效应”容易提高能源强度，而且经济聚集的提升容易使得拥挤效应的约束性作用被凸显。
值得追问能源强度与表征区域集聚的“圈层”结构在城市群范围内表现如何？张亚斌等提供了部分证据，城市群内部通过实现产业企业的合理转移、分工和技术扩散来提升“圈层”内部产业结构，再通过产业在全国不同区域的合理布局实现不同“圈层”经济间的产业结构协同升级［17］，由于产业结构升级会对降低能源强度产生正向影响［18］，说明城市群“圈层”结构可以通过合理布局从而最终达到降低能源强度的目标。
不过，这项研究还很难对城市群圈层结构中所蕴含的经济集聚与拥挤效应的作用和能源强度的关系做出结论。
豆建民等指出对于同一个城市群，如果选择的时间点或时间跨度不同，集聚对环境污染的影响也可能不同［19］。
另外，张庆民等发现东部沿海城市群在环境投资与污染治理效率上高于其他城市群［20］。
张浩然等也发现城市群空间结构对全要素生产率具有显著的正向影响，但中西部城市群由于缺乏核心城市的集聚经济和规模经济效应，所以该结果不够显著［21］。
因此城市群“圈层”结构最终能否降低能源强度，以及该结果是否在空间维度及时间维度上存在差异还有待检验。
综上所述，对比现有文献，本文具有以下特点：其一，本文通过描述中心城市自身规模密度及中心城市对腹地规模密度的转换差异来反映逐层循环的城市群“圈层”结构特征，由于层级之间的形成是按照由近及远梯度推移进行的，可以依照与中心城市的关联紧密程度在降低能源强度的作用上实现不同经济圈层的定位。
第二，本文以能源强度作为被解释变量，而将城市群“圈层”结构作为解释变量，分别依据城市群成熟程度和国家节能减排方针政策所可能造成“圈层”结构对降低能源强度效果的不同影响进行分析。
2计量模型、指标选择与数据说明2.1城市群圈层结构的测度目前对城市群“圈层”结构进行测度，并发现与能源强度的关系并非不重要，而是缺乏合适的测度方法去描述二者之间的关系。
中心城市对外围地区的市场辐射力将以“圈”的形式向外均匀扩散，因此城市群圈层经济结构包含两个部分，一是表征区域集聚的中心城市规模密度。
只有中心城市达到相当密度或规模时，其城市功能才能为满足区域服务的供给需求提供保证，城市群所“圈定”的广袤地区会努力去建立与中心城市的紧密联系与整合发展。
二是圈域整体的规模密度。
具有较高规模密度的城市群外围为区域整合发展提供了有力的支撑，与中心城市之间互为依托、互促互进带动城市群经济的整体高效能发展。
城市群内部要素的密度格局反映着城市群空间集聚效应的强弱和辐射带动强度，包括中心城市在内的重要节点城市之间的空间联系成为衡量城市群内部空间优化与质量提升的关键。
本文借鉴孙东琪等［22］、邓智团等［23］的研究，采用引力模型测算中心城市及腹地经济紧密联系程度，计算公式如下：g=YiYjD2ij（1）其中Y i表示城市群中腹地城市i和中心城市j的GDP，YiYj表示两个城市GDP的乘积，D表示腹地城市i与中心城市j之间的实际交通距离。
为了描述中心城市与腹地城市经济联系转化的相对程度，首先分别计算中心城市对外辐射强度以及中心城市对腹地城市间的经济联系强度g city和gregion，在此基础上构建中心城市对腹地城市规模密度转换差异的经济联系强度比GＲC，即GＲC=gregiongcity（2）其中g region=Y i Y j/D2ij，g city=Y2j/r j2，其中GＲC表示城市群腹地城市i与中心城市j之间的引力强度与中心城市自身的引力强度的比值，其中中心城市半径rj2=Aj/π，A=中心城市行政区划面积。
中国十大城市群集聚力的比较研究_曾鹏
关中 西安、咸阳、宝鸡、渭南、铜川、商州
第 5 期 （ 2014 年 5 月）
中国科技论坛
95
城市集聚力涉及到城市的政治、经济、科学、 教育、环境等 各 个 方 面， 因 而 城 市 集 聚 力 的 评 估 体系也应 该 是 一 个 多 因 素、多 层 次 的 科 学 体 系。 本文选取经 济 发 展、 社 会 进 步、 功 能 完 善 和 设 施 环境四个方面为本文的一级指标。而在选取二级 指标时，根据 城 市 集 聚 力 的 理 论 基 础， 认 为 城 市 集聚力的评估指标体系应该以人为本，围绕与人 生存、生产、生活密切相关的若干方面进行构建。 其中，与 人 的 生 存、 生 产、 生 活 密 切 相 关 的 首 当 其冲是经济发展。国民生产总值是衡量经济发展 的最直接、最综合性的指标； 第二产业和第三产 业占 GDP 的比重是衡量城市区域有别于农村区域 的有效经济指标； 消费、投资、储蓄是城市经济 主要的三大 流 向， 工 业 产 值、 企 业 利 润 和 财 政 收 入则是不同测量宽度下城市经济的主要来源，因 此，本文选取限额以上批发零售贸易业商品销售 总额、固定资 产 投 资 总 额、 城 乡 居 民 储 蓄 年 末 余 额、地方财政 一 般 预 算 收 入、 规 模 以 上 工 业 总 产 值、规模以上工业企业利润总额六项指标作为代 表。其次，社 会 归 属 性 是 人 类 生 存、 生 产、 生 活 的另一大要求，社会进步集聚力是衡量城市集聚 力的 第 二 大 层 面。在 社 会 层 面 内，人 口、就 业、
_圈层_结构_时空差异与能源强度_以十大城市群为例_李治
“圈层”结构、时空差异与能源强度———以十大城市群为例李治1连玉君2李培3郭菊娥4（1．西安建筑科技大学管理学院，陕西西安，710055；2．中山大学岭南学院金融学系，广东广州，510275；3．新加坡国立大学房地产研究中心，新加坡，119613；4．西安交通大学管理学院，陕西西安，710049）【摘要】借助于经济地理学的理论视角，使用城市引力模型对十大城市群“圈层”结构进行测度，然后对城市群“圈层”结构降低能源强度的影响程度及其时空差异进行分析。
结果显示，成熟的城市群和适度的“圈层”结构更容易降低能源强度。
从空间维度上看，东部城市群“圈层”结构显著降低了能源强度，但在0.45边界标准之后，降低能源强度程度明显变小。
中西部城市群“圈层”结构降低能源强度程度小于东部城市群，大部分结果仅在10%水平上显著。
从时间维度上看，相机抉择使得政府节能减排战略未能实现预期目标，短期内弱化了“圈层”结构降低能源强度效果。
控制行政分割等变量发现，政府干预更容易凸显拥挤效应的约束作用，借助市场和空间的力量更有利于节能减排目标的实现。
【关键词】圈层经济结构；能源强度；地区差异；阶段特征；城市引力模型【中图分类号】F062.1；F061.5【文献标识码】A基金项目：国家自然科学基金面上项目“西部民生诉求下的碳减排实现途径及扶持政策研究”（编号：71173169）；中国博士后科学基金“西部城市群碳减排约束条件及减排机理研究”（编号：2013M532067）；浙江省自然科学基金青年项目“浙江省新型城市化与产业转型升级协同发展的机理研究”（编号：LQ13G030017）；西安市社科基金“西安市碳减排路径及扶持政策研究”（编号：14J224）；西安建筑科技大学青年科技基金项目“关中—天水城市群碳减排约束条件与减排机理研究”（编号：DA08112）0引言从理论上讲，提高能源效率具有“开源”与“节流”的双重含义，但是目前我国理论界讨论提高能源效率或节能更多的是技术节能、产业节能等，却忽视了空间节能。
圈层结构理论在城市群发展中的应用
圈层结构理论在城市群发展中的应用（城市与环境学院031班李娜）摘要21世纪城市群将成为新的竞争单位，在此背景下中国提出了城市群发展战略，并开始了城市群的规划发展工作。
本文从城市群发展理论依据的角度，阐述了圈层结构理论在城市群发展过程中的应用。
关键词城市群的发展圈层结构理论引言从全球竞争的角度看，以中心城市为核心的大城市群(圈)作为现代城市发展的一个新的空间单元，必将成为21世纪全球化背景下国际竞争的基本单位。
这是因为，从全球经济发展的潮流看，以纽约、伦敦、巴黎、东京等大都市为中心形成的大城市群正成为全球性竞争的主角。
可见，在城市化进程中，大城市、特大城市以及由此形成的大城市群超先发展是一个较为普遍的规律。
中国在“十五”计划中，也将积极引导发展城市密集圈(即大城市群)作为城镇发展的一个层次进行考虑。
2001年9月先后在上海、广州举办的“2001年中国城市化论坛——大城市群发展战略”研讨会上，专家提出：中国需要大城市群发展战略，位于沿海地区的京津唐地区、长江三角洲地区、珠江三角洲地区很有希望发展成为主导中国经济发展、国际交流的超大型大城市群(圈)。
此外，还有人提出建设辽宁中部城市群、环渤海湾城市群、以武汉为中心的华中城市群、闽东南城市群、长株潭城市群、环北部湾城市群、中原城市群等。
城市群的形成与发展是区域经济空间结构理论的具体应用，区域经济空间结构理论主要包括增长极理论、核心-边缘理论、点-轴渐进扩散理论、圈层结构理论等。
而本文主要论述了圈层结构理论在城市群发展过程中的应用。
一、圈层结构理论的内涵和基本特征（一）代表理论：杜能的农业区位理论（农业圈）、伯吉斯的同心圆理论等；还是在160多年以前,德国的农业经济学家冯.杜能在其名著《孤立国》中就已经指出,城市郊区的农业经济活动,农业的布局会呈圈层式分布,将会以城市为中心,围绕城市呈向心环状分布.从中心向外,分别为自由农作区,林业区,轮作农业区,谷草农作区,三圃农作区和畜牧业区.这种圈层空间结构模式,被誉为"杜能环".1925年美国芝加哥大学社会学教授 E.W.伯吉斯对城市用地功能区的布局研究后指出,城市五大功能区是按同心圆法则,自城市中心向外缘有序配置的,并认为这是城市土地利用结构理想模式.这种模式的空间结构是,从中心向外,分别是中心商业区,过渡性地区,工人阶级住宅区,中产阶层住宅区,高级或通勤人士住宅区,呈现出有序的圈层状态.20世纪50年代以后,狄更生和木内信藏对欧洲和日本的城市分别研究,提出了近似的城市地域分异三地带学说,认为大城市圈层是由中心地域,城市的周边地域和市郊外缘的广阔腹地三大部分组成,它们从市中心向外有序排列.1979年木内信藏在《都市地理学》书中对三个城市地带作了进一步说明,中心地域是城市活动的核心;周边地域是与市中心有着上班,电话,购物等密切联系的日常生活圈;市郊外缘是城市中心和周边地缘向外延伸的广大地区或远郊区.（二）圈层结构理论的内涵城市是一个不断变动着的区域实体，从外表形态来说，它是指有相当非农业人口规模的社会经济活动的实际范围。
国家级新区设立与土地利用效率——基于中国70个大中城市的实证研究
级新区设立对区域土地利用效率的作用效应及时空异质性ꎻ(３) 研究意义方面ꎬ本文的作用机制分
析有助于进一步明晰区域协调发展战略下国家级新区发展方向与土地集约高效利用的重要性ꎬ为
优化国家级新区空间布局与土地利用方式提供了经验证据ꎬ为推动国家级新区发展模式转型提供
发展实际进行以土地利用为核心的新区发展规划ꎬ并通过行政等级的“ 尺度跳跃” 和优惠政策叠加
进一步加大机制改革与资源配置力度ꎬ从而降低土地开发成本并拓展土地配置模式ꎮ 在创新政策
激励下ꎬ国家级新区通过吸引资金、人才、技术等要素集聚ꎬ加速原始创新资本积累ꎬ并通过创新创
业平台驱动企业进行创新生产ꎬ从而形成区域创新高地ꎮ 同时ꎬ由于创新要素的空间循环会产生知
应会存在时空异质性 [１２]１０７ ꎮ 对国家级新区而言ꎬ在时间维度上ꎬ随着改革日益深入ꎬ各类区位导向
性政策的实施广度呈规模性扩大ꎬ国家级新区的示范效应在时间上不断耗散ꎬ相对于其他区域所享
有的政策红利不断下降ꎬ对人才、资金、技术等生产要素的吸引力与建设前期相比也逐渐减弱ꎻ与此
同时ꎬ国家级新区及所在区域土地承载量趋于饱和ꎬ土地利用结构趋于稳定ꎬ政策对土地利用的边
了政策启示ꎮ
二、理论分析与研究假设
土地是国家级新区建设的物质载体ꎬ“ 从零开始” 的国家级新区建设在理论上会对区域土地利
用现状产生深刻影响ꎮ 一般而言ꎬ国家级新区在中央和地方“ 双重关照” 下畅通了人流、物流、资金
流、信息流等要素流动ꎬ优化了所在区域土地利用方式ꎬ进而能够促进土地利用效率提高 [１１]４４ ꎮ 具
的前提ꎬ也是吸引其他要素集聚的基础ꎮ 一方面ꎬ地方政府通过大规模出让工业用地和不饱和供应
我国城市经济增长与能源强度差异研究
基 金项 目 ： 文 受 到 教 育 部 哲 学 社会 科 学重 大 课 题 攻 关 项 目 （ 目编 号 ：９ Ｚ ０ １ 的研 究 资 助 。 本 项 ０ ＪＤ ０ ９）
一
６ — ０
Ｉ Ｄ Ｕ ＳＴＲＩ Ｌ Ｎ Ａ ＥＣ ｏ Ｎ ｏ Ｍ Ｉ Ｓ Ｅ Ｃ Ｒ ＳＥＡ ＲＣ Ｈ
城市 为 单元 的相 关实 证研 究逐 渐增 多 。 由于我 国处 于城 市 化 发展 迅 速 阶段 ， 市 数量 保 持 较 高增 长 城 势 头 ， 而 不 同学者 在研究 中 由于所选 择 的样本 区间 、 本 数 量 以及 采 用方 法 的 差异 ， 以对 我 国城 从 样 所
源 消 费强 度 差异 也是 收 敛 的 ， 收敛 的 速度 慢 于人 均 Ｇ Ｐ的收 敛速 度 。部 分 内陆城 市在 人 均 Ｇ Ｐ 但 Ｄ Ｄ
增 长 同时 ， 源 消费强度 仍 处于上 升 态势 ， 些地 区应该成 为我 国未来 节能减排 工作 的 重点 。本文 的 能 这 研 究有 助 于对 我 国地 区经济增 长 与能 源消 费强度 差距之 间 的关 系进 一 步理解 。 关键 词 ： 人均 Ｇ Ｐ； 源消 费强度 ； Ｄ 能 收敛 ； 市 城
中 图分 类 号 ：０ ２ １ Ｆ ６ ． 文 献 标 识 码 ： Ａ 文 章 编 号 ：６ １ ３ １ ２ １ ）２—０６ — ８ １７ —９０ （０２ ０ ００ ０
一
、
引 言
稳定 的经 济增 长要 求与 之相 匹配 的能源 投入 持续增 加 ， 降低 能 源 消 费强 度 能够 抵 消能 源 投 入 而
济 的可持续 发展 具有 十分 重要 的意义 。
二 、文献 综述
２ 纪８ ０世 Ｏ年代 中后期 以来 ， 区经济 增 长存在 收敛性 已经 是 被很 多 文献 证 明 的结果 ， 有 一些 地 还
国家级十大城市群产业优势度分析研究
国家级十大城市群产业优势度分析研究2.西南科技大学土木工程与建筑学院，绵阳 621000摘要：通过对国家级十大城市群产业优势度的分析研究，以期为城市群的良性发展提供参考。
主要收集2009—2016年国家级十大城市群的板面数据，运用空间基尼系数法计算得出各城市群产业优势度，并对各城市群进行量化分析。
在优势度上，指数虽普遍降低，但长三角以高得分、绝对优势和竞争力领先于其他城市群，其余城市群指数在降低的同时，优势程度也随之改变。
因此，在以后的发展中需顺应“十四五规划”的要求，走绿色、紧凑、高质量协调发展的道路，引领中国经济高质量发展。
关键词：产业；城市群；优势度中图分类号：F061.5文献标识码：A0引言城市群是全球进行经济发展和区域建设的重要载体，对任何一个区域或者国家都有至关重要的作用。
在经济区域一体化和全球创新网络化发展的背景下，城市群的建设也随之提高，逐渐成为集聚优质资源要素和经济建设的新高地。
近年来，国内外学者对城市群做了不同的研究，Butsch C等学者从土地、水资源和生态问题等影响因素对城市群的演化进行了探讨[1]；Asogwa FO等研究了城市群与非洲人口和经济增长之间的动态关系[2]。
邓祥征等研究了黄河流域城市群与产业转型发展，并提出城市群和产业转型发展是实现黄河流域生态保护与高质量发展的内在要求和根本保障，对指导黄河流域城市群高质量发展和产业转型升级的路径意义重大[3]；黄庆华等运用SSM模型对长江经济带2003—2012年的三次产业结构演变进行探讨，并建议在以后的发展中，应当重点加强长江流域城市群的引领作用，特别是上海、武汉、重庆三大交通中心的辐射带动效益[4]。
在优势度上，杨志恒等以山东省为例，探测了该省智能制造产业布局的优势度指数与空间集聚特征，进而提出智能制造业产业前瞻性布局方案[5]；李特应用区位熵方法对丽水市优势产业进行分析，发现丽水市第二产业集聚度较高，具备竞争优势，第一产业和第三产业集聚度较低，不具备竞争优势[6]。
城市群数字经济指数测度及时空差异特征分析
城市群数字经济指数测度及时空差异特征分析作者：刘传辉杨志鹏来源：《现代管理科学》2021年第04期[摘要]为反映城市群数字经济发展水平，运用熵值法，通过构建数字经济指标体系，测度了长三角城市群、京津冀城市群、珠三角城市群、中原城市群、成渝城市群和关中平原城市群等六大城市群106个城市的数字经济指数，并通过可视化处理反映城市群数字经济发展水平及其时空特征。
研究发现，六大城市群数字经济差异性明显，数字经济发展水平呈现动态波动性，且城市群内部城市间的数字经济发展水平差异明显。
[关键词]城市群;数字经济指数;时空差异特征一、引言《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出，要打造数字经济新优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎。
近年来，数字经济的迅猛发展对传统的生产、生活方式和资源配置效率带来了巨大影响。
但是，如何测度和衡量各城市群及城市数字经济的发展水平已成为理论界亟待回答的现实问题。
数字经济以数据资源为关键要素，涉及跨行业、跨区域等很多领域，而现行基于传统经济条件下的统计模式、统计口径、产业分类体系等却与数字经济的发展实际不相适应。
这使研究者无法全面掌握数字经济的统计数据，难以对数字经济进行准确测量，制约了相关部门对数字经济总体发展形势的准确把握。
因此，如何科学地测度数字经济发展水平，进而较为客观地反映各城市群数字经济的发展水平、规模及其对经济社会发展影响日益突出。
基于此，本文拟通过熵值法构建指标体系，对城市群及其城市数字经济发展水平进行测度并分析其时空差异特征。
二、指标体系构建基础国内外学界、政府有关部门为了客观测度城市群的数字经济发展水平进行了一定的探索。
总体上通常采用两种方法。
第一种叫直接法，即对一定区域的数字经济规模、发展水平等进行测度，该测度结果是个绝对值。
第二种是间接法，即通过选取多项指标构建指标体系，采用数学方法测算选定区域的数字经济发展水平，结果是相对值。
融合与共享：城市群高质量发展的空间治理维度
融合与共享：城市群高质量发展的空间治理维度作者：房亚明李幸芝来源：《长春市委党校学报》2021年第06期摘要：城市群的形成与演进是以工业化、市场化和城镇化为主要特征的经济社会现代化的必然结果，是高质量发展与共享发展的内在要求和实现途径。
立足新发展阶段，城市群发展必须围绕区域协调、城乡融合与共享共治的战略方向展开，以空间治理优化为抓手推动构建新发展格局，实现共同富裕的重大任务。
城市群的高质量发展必须克服异质性大、空间治理能力不足、治理资源和配套服务滞后、市场机制作用发挥不够等潜在障碍，利用现代化手段优化城市群空间结构布局，发挥市场机制的主导作用，鼓励多元主体共同参与提升城市群空间治理效能。
关键词：城镇化;城市群;空间治理中图分类号：F299.27;C912.81DOI：10.13784/ki.22-1299/d.2021.06.003随着我国社会经济发展与城镇化的深入推进，城市群已经成为经济社会高质量发展、可持续发展与共享发展的的空间平台，成为新发展阶段构建新发展格局与新增长极的重要依托。
城市群高质量发展关系着国家参与全球竞争优势，影响着生态可持续发展与国家安全稳定，深刻影响着未来中国发展走向，成为国家治理的重大议程。
党的十九届四中全会通过的《关于坚持和完善中国特色社会主义制度、推进国家治理体系和治理能力现代化若干重大问题的决定》要求“优化行政区划设置，提高中心城市和城市群综合承载和资源优化配置能力。
”城市群快速发展需要应对资源短缺、环境恶化及公共服务配套不足等“城市病”。
中心城市和城市群综合承载力及资源优化配置能力是国家治理能力的重要体现，而空间治理是其中的关键所在。
面对疫情、洪灾、国际冲突等各种不确定性因素的影响，单中心的空间治理模式已经无法适应复杂多变的社会环境，提升城市群空间治理效能是有效拓展国土空间韧性与国家应急治理能力的必由之路。
一、问题缘起：城市群高质量发展的空间维度城市群高质量发展是区域协调与共享发展的重要平台依托。
【国家社会科学基金】_时空差异_基金支持热词逐年推荐_【万方软件创新助手】_20140806
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
科研热词 空间自相关 淮海经济区 时空差异 基尼系数 中国 驱动机制 面板数据 集约评价:区域时空差异 锡尔指数 钢材:非线性特征 重庆市 通达性 路网 虚拟水 能源消费强度 经济增长 空间格局 空间句法 空间关联类型 知识产权保险 省际边缘区域 相对效率 激励性规制 水资源利用 气候变化 比较视野 武汉都市圈 樊园修禊 有形财产保险 时空变异 时空分异 文学表达 文学主题 数据挖掘 教育支出 政策移植 政策环境 政策变迁 政策创新 政策供给 改进的数据包络分析 探索性空间数据分析 感知强度 山东省 增长轴 塞尔指数 城市土地利用 地域需求模型 地均农畜产品虚拟水 因子分析法 唐传奇 合约
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73
叙事学分析 双清别墅修禊 双分形结构 县域综合发展水平 县域经济差异 区域经济差异 区域差距 区域分离系数 农民收入 农产品 关中地区 保险给付 保险产品 保费收取 位序-规模法则 不对称信息 万牲园修禊 一级开发 《周秦行记》 esda cobb-douglas函数
城市蓝绿空间格局对碳固存的影响测度及关键指标
㊀第２１卷㊀第６期２０２３年１２月中㊀国㊀城㊀市㊀林㊀业ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＵｒｂａｎＦｏｒｅｓｔｒｙＶｏｌ ２１㊀Ｎｏ ６Ｄｅｃ ２０２３城市蓝绿空间格局对碳固存的影响测度及关键指标∗袁旸洋１ꎬ２㊀郭㊀蔚１㊀汤思琪１㊀杨明珠１㊀汪瑞军３１㊀东南大学建筑学院㊀南京㊀２１００９６２㊀江苏省城乡与景观数字技术工程中心㊀南京㊀２１００９６３㊀合肥工业大学建筑与艺术学院㊀合肥㊀２３０６０１㊀收稿日期:２０２３－１０－３０∗基金项目:国家自然科学基金重点项目(５１８３８００３)ꎻ东南大学 至善青年学者 支持计划(２２４２０２３Ｒ４０００２)㊀第一作者/通信作者:袁旸洋(１９８７－)ꎬ女ꎬ博士ꎬ副教授ꎬ硕士生导师ꎬ研究方向为风景园林规划设计及理论㊁数字景㊀㊀㊀㊀㊀㊀观技术㊁城市蓝绿空间ꎮＥ－ｍａｉｌ:ｙｙｙ＠ｓｅｕ ｅｄｕ ｃｎ㊀通信作者:汪瑞军(１９８６－)ꎬ男ꎬ博士ꎬ讲师ꎬ研究方向为风景园林规划设计与理论㊁城市绿地生态㊁城乡风貌与环境设㊀㊀㊀㊀㊀㊀计ꎮＥ－ｍａｉｌ:２０２１８００１６２＠ｈｆｕｔ ｅｄｕ ｃｎ摘要: 双碳 背景下城市空间碳汇结构与布局的提升与优化是重要的研究内容ꎮ作为碳汇效益的主要载体ꎬ城市蓝绿空间在增汇减碳方面具有协同作用ꎬ但当下对于城市蓝绿空间整体格局对其碳固存的影响关联研究不足ꎮ文章以合肥中心城区为例ꎬ基于２０００㊁２０１０㊁２０２０年的数据ꎬ在量化城市蓝绿空间格局特征的基础上ꎬ采用机器学习ＸＧＢｏｏｓｔ￣ＳＨＡＰ模型测度与解译城市蓝绿空间格局对碳固存的影响及关键指标ꎮ结果表明:１)城市蓝绿空间格局对碳固存具有影响ꎬ且不同格局特征的影响程度不同ꎮ２)影响碳固存的城市蓝绿空间格局关键指标有斑块层的ＦＲＡＣ㊁ＣＯＮＴＩＧ㊁ＡＲＥＡ和ＥＮＮꎬ类型层的ＥＤ㊁ＣＯＨＥＳＩＯＮ㊁ＤＩＶＩＳＩＯＮ和ＬＳＩꎮ３)蓝绿斑块形状复杂度越高ꎬ越有利于碳汇效益的发挥ꎻ蓝绿空间分布的聚集度越高㊁距离越近㊁连通度越高ꎬ碳汇效益越好ꎮ据此ꎬ提出以碳增汇为目标的城市蓝绿空间格局规划优化策略ꎬ以期为城市蓝绿空间规划与管理提供参考ꎮ关键词:城市蓝绿空间ꎻＮＰＰꎻ景观格局指标ꎻ数字景观技术ꎻＸＧＢｏｏｓｔ￣ＳＨＡＰ模型ＤＯＩ:１０.１２１６９/ｚｇｃｓｌｙ.２０２３.１０.３０.０００１ＡｓｓｅｓｓｉｎｇｔｈｅＩｍｐａｃｔｏｆＵｒｂａｎＢｌｕｅ￣ＧｒｅｅｎＳｐａｃｅＰａｔｔｅｒｎｏｎＣａｒｂｏｎＳｅｑｕｅｓｔｒａｔｉｏｎａｎｄＩｔｓＫｅｙＩｎｄｉｃａｔｏｒｓＹｕａｎＹａｎｇｙａｎｇ１ꎬ２㊀ＧｕｏＷｅｉ１㊀ＴａｎｇＳｉｑｉ１㊀ＹａｎｇＭｉｎｇｚｈｕ１㊀ＷａｎｇＲｕｉｊｕｎ３(１ ＳｃｈｏｏｌｏｆＡｒｃｈｉｔｅｃｔｕｒｅꎬＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙꎬＮａｎｊｉｎｇ２１００９６ꎬＣｈｉｎａꎻ２ ＪｉａｎｇｓｕＰｒｏｖｉｎｃｉａｌＵｒｂａｎａｎｄＲｕｒａｌＤｉｇｉｔａｌＴｅｃｈｎｏｌｏｇｙＥｎｇｉｎｅｅｒｉｎｇＣｅｎｔｅｒꎬＮａｎｊｉｎｇ２１００９６ꎬＣｈｉｎａꎻ３ ＣｏｌｌｅｇｅｏｆＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＡｒｔꎬＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬＨｅｆｅｉ２３０６０１ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｎｔｈｅｃｏｎｔｅｘｔｏｆ ｄｕａｌｃａｒｂｏｎｇｏａｌｓ ꎬｅｎｈａｎｃｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇｔｈｅｓｔｒｕｃｔｕｒｅｓａｎｄｌａｙｏｕｔｓｏｆｃａｒｂｏｎｓｉｎｋｉｎｕｒｂａｎｓｐａｃｅｓｉｓａｓｉｇｎｉｆｉｃａｎｔｒｅｓｅａｒｃｈｔｏｐｉｃ.Ｕｒｂａｎｂｌｕｅ￣ｇｒｅｅｎｓｐａｃｅ(ＵＢＧＳ)ꎬｓｅｒｖｉｎｇａｓｔｈｅｐｒｉｍａｒｙｆａｃｉｌｉｔａｔｏｒｓｏｆｃａｒｂｏｎｓｉｎｋｂｅｎｅｆｉｔｓꎬｅｘｅｒｔｓａｓｙｎｅｒｇｉｓｔｉｃｉｎｆｌｕｅｎｃｅｏｎｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎａｎｄｅｍｉｓｓｉｏｎｓｒｅｄｕｃｔｉｏｎ.ＴａｋｉｎｇＨｅｆｅｉ ｓｃｉｔｙｃｏｒｅａｓａｎｉｌｌｕｓｔｒａｔｉｖｅｃａｓｅｓｔｕｄｙꎬｔｈｉｓｐａｐｅｒｅｍｐｌｏｙｓｔｈｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌꎬＸＧＢｏｏｓｔ￣ＳＨＡＰꎬｔｏｇａｕｇｅａｎｄｅｌｕｃｉｄａｔｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｔｈｅＵＢＧＳｐａｔｔｅｒｎｏｎｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎａｎｄｔｈｅｉｒｐｉｖｏｔａｌｉｎｄｉｃａｔｏｒｓａｆｔｅｒｑｕａｎｔｉｆｙｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅＵＢＧＳｐａｔｔｅｒｎｗｉｔｈｔｈｅｄａｔａｓｐａｎｎｉｎｇｔｈｅｙｅａｒｓ２０００ꎬ２０１０ꎬａｎｄ２０２０.Ｔｈｅｆｉｎｄｉｎｇｓｕｎｖｅｉｌ:１)ＴｈｅＵＢＧＳｐａｔｔｅｒｎｈａｓａｄｉｓｃｅｒｎｉｂｌｅｉｎｆｌｕｅｎｃｅｏｎｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎꎬａｎｄｐａｔｔｅｒｎｓｗｉｔｈｄｉｆｆｅｒｅｎｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｈａｖｅｖａｒｉｅｄｅｘｔｅｎｔｏｆｉｎｆｌｕｅｎｃｅａｔｔｈａｔꎻ２)ＴｈｅｐｉｖｏｔａｌｉｎｄｉｃａｔｏｒｓｏｆｔｈｅＵＢＧＳｐａｔｔｅｒｎｆｏｒａｓｓｅｓｓｉｎｇｔｈｅｉｎｆｌｕｅｎｃｅｏｎｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎ㊀第６期㊀袁旸洋㊀郭㊀蔚㊀汤思琪ꎬ等:城市蓝绿空间格局对碳固存的影响测度及关键指标㊀㊀ｉｎｃｌｕｄｅｔｈｅｐａｔｃｈ￣ｌｅｖｅｌｍｅｔｒｉｃｓｌｉｋｅＦＲＡＣꎬＣＯＮＴＩＧꎬＡＲＥＡａｎｄＥＮＮꎬａｎｄｔｈｅｃｌａｓｓ￣ｌｅｖｅｌｍｅｔｒｉｃｓｓｕｃｈａｓＥＤꎬＣＯＨＥＳＩＯＮꎬＤＩＶＩＳＩＯＮａｎｄＬＳＩꎻａｎｄ３)Ｈｉｇｈｅｒｃｏｍｐｌｅｘｉｔｙｉｎｔｈｅｓｈａｐｅｏｆｂｌｕｅａｎｄｇｒｅｅｎｐａｔｃｈｅｓｗｉｌｌｂｒｉｎｇｈｉｇｈｅｒｂｅｎｅｆｉｔｓｆｒｏｍｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎꎬａｎｄｌｉｎｅａｒｐａｔｃｈｅｓｅｘｈｉｂｉｔｓｕｂｓｔａｎｔｉａｌｌｙｌｏｗｅｒｃａｒｂｏｎｓｉｎｋｂｅｎｅｆｉｔｓｉｎｃｏｍｐａｒｉｓｏｎｔｏａｒｅａ￣ｓｈａｐｅｄｐａｔｃｈｅｓ.Ｅｎｈａｎｃｅｄａｇｇｒｅｇａｔｉｏｎꎬｃｌｏｓｅｒｐｒｏｘｉｍｉｔｙꎬａｎｄｈｅｉｇｈｔｅｎｅｄｃｏｎｎｅｃｔｉｖｉｔｙｏｆｂｌｕｅａｎｄｇｒｅｅｎｓｐａｃｅｓｃｏｒｒｅｌａｔｅｗｉｔｈｓｕｐｅｒｉｏｒｃａｒｂｏｎｓｉｎｋｂｅｎｅｆｉｔｓ.ＢａｓｅｄｏｎｔｈｉｓꎬｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓｆｏｒＵＢＧＳｐａｔｔｅｒｎｐｌａｎｎｉｎｇａｒｅｐｒｏｐｏｓｅｄｗｉｔｈｔｈｅｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎａｎｄｅｍｉｓｓｉｏｎｒｅｄｕｃｔｉｏｎａｓｔｈｅｇｏａｌꎬｗｉｔｈｔｈｅａｉｍｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｔｈｅｐｌａｎｎｉｎｇａｎｄｍａｎａｇｅｍｅｎｔｏｆｔｈｅＵＢＧＳ.Ｋｅｙｗｏｒｄｓ:ｕｒｂａｎｂｌｕｅ￣ｇｒｅｅｎｓｐａｃｅꎻＮＰＰꎻｌａｎｄｓｃａｐｅｍｅｔｒｉｃꎻｄｉｇｉｔａｌｌａｎｄｓｃａｐｅｔｅｃｈｎｏｌｏｇｙꎻＸＧＢｏｏｓｔ￣ＳＨＡＰｍｏｄｅｌ㊀㊀近年来ＣＯ２等温室气体排放加速全球变暖ꎬ引发了系列环境和社会问题ꎮ为应对气候变化所产生的威胁ꎬ２０１６年«巴黎协定»敦促世界各国通过实际行动减少温室气体排放ꎬ增强固碳能力ꎬ减缓全球变暖的速度[１]ꎮ我国在第７５届联合国大会上提出了碳中和㊁碳达峰战略ꎮ城市虽然仅占全球陆域总面积的３％ꎬ却产生了超过７０％的碳排放[２]ꎮ由此ꎬ城市在我国 双碳 战略的实施中具有关键地位ꎬ推动城市空间碳源汇结构与布局向绿色低碳转型成为当下重要的研究内容ꎮ城市蓝绿空间(Ｕｒｂａｎｂｌｕｅ￣ｇｒｅｅｎｓｐａｃｅꎬＵＢＧＳ)是城市发展过程中留存或新建的绿色空间和蓝色空间的总和ꎬ包括所有自然㊁半自然㊁人工的绿地与水体ꎬ是城市生态系统的重要组成部分[３－４]ꎮ研究表明ꎬ绿色空间是碳汇量最大的贡献者ꎬ其产生的碳汇可以抵消２８％~３７％的ＣＯ２排放量ꎬ而湿地㊁河流㊁湖泊和沼泽等蓝色空间是巨大的碳库ꎮ除了植被㊁土壤的固碳释氧功能ꎬ城市蓝绿空间还可以通过缓解城市热岛效应㊁改善人居环境微气候ꎬ促进居民绿色出行等途径ꎬ间接减少碳排放[５]ꎮ综上ꎬ蓝绿空间具有直接增碳汇㊁间接减碳排的双重生态效益ꎬ是城市中发挥碳汇效益的主要载体[６]ꎮ以往关于城市蓝绿空间碳汇的研究多聚焦绿地和森林的碳汇量估算方法ꎬ包括样地清查法㊁模型估算法[７]㊁遥感反演法[８]和温室气体清查法等ꎮ其中ꎬ基于遥感技术的植被净初级生产力(ＮｅｔＰｒｉｍａｒｙＰｒｏｄｕｃｔｉｖｉｔｙꎬＮＰＰ)[９－１０]估算已广泛应用于区域和城市尺度ꎮ有学者从城乡规划学和生态学的角度ꎬ分析土地利用变化㊁气候变化[１１－１２]㊁城市树种及其生长周期[１３]对城市蓝绿空间碳汇的影响机制ꎮ例如:Ｌｉ等[１４]证明城市中森林面积的增大对ＮＰＰ有正向影响ꎻＹａｎｇ等[１５]研究了ＮＰＰ对土地利用变化的响应认为ꎬ耕地向林地和草地的转换可以有效提高生态系统固碳能力ꎮ景观格局是市域生态空间尺度影响碳汇功能提升的关键因素ꎮ城市蓝㊁绿空间具有相似的自然生态属性ꎬ在生态功能和物质交换㊁能量流动等自然过程中相互影响㊁相互依存ꎬ具有强关联性和整体性[１６]ꎬ共同构成了城市自然碳汇系统ꎮ现有研究多从单一绿色空间中格局及群落构成的角度展开[１７－１８]ꎬ而已有研究证实ꎬ城市水体对绿地的碳汇能力提升具有一定促进作用ꎬ当下关于城市整体蓝绿空间格局对碳汇效益影响的研究有待开展[１９－２０]ꎮ本研究从整体性视角出发ꎬ以合肥中心城区为例ꎬ采用景观格局指标量化２０００㊁２０１０㊁２０２０年城市蓝绿空间格局特征ꎬ基于机器学习的ＸＧＢｏｏｓｔ￣ＳＨＡＰ模型测度蓝绿空间格局特征对ＮＰＰ的影响ꎬ并解译其关键指标ꎬ解析城市蓝绿空间格局特征如何影响碳固存(Ｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎ)ꎬ旨在为高质量发展背景下基于碳增汇目标的城市蓝绿空间格局优化提供参考ꎬ助力城市蓝绿空间融合发展ꎮ１ 研究区概况合肥位于安徽省中部(１１７ʎＥꎬ３１ʎＮ)ꎬ属长三角城市群ꎬ天然山水禀赋良好ꎬ呈现 岭湖辉映 的蓝绿交织体系ꎮ平均海拔约３７ ５１ｍꎬ地形以平原和丘陵为主ꎬ属于亚热带湿润季风气候ꎬ冬冷夏热ꎻ年平均气温１５ ７ħꎬ年平均日照２１００ｈ以上ꎻ降雨量近１０００ｍｍꎬ主要集中在５ ６月ꎮ２０００年以来ꎬ合肥城市快速扩张㊁人口增长７㊀㊀㊀㊀中㊀国㊀城㊀市㊀林㊀业㊀第２１卷迅速ꎬ２０２２年迈入了特大城市行列ꎮ在此期间ꎬ合肥市政府重视城市环境建设ꎬ积极响应生态文明建设战略ꎬ出台了一系列政策聚焦于城市环境修复ꎬ蓝绿空间在发展中得到保护与恢复ꎮ从国土区位㊁发展特点㊁自然资源等方面来看ꎬ合肥是长江中下游高密度城市发展的典型代表之一ꎮ本文的研究范围为合肥市中心城区ꎬ即«合肥市国土空间总体规划(２０２１ ２０３５年)»中市辖区范围ꎬ包括蜀山㊁包河㊁瑶海㊁庐阳４个行政区ꎬ总面积为１３１２ ５ｋｍ２ꎮ２㊀研究方法选取２０００㊁２０１０㊁２０２０年的数据进行研究ꎬ以避免单个年份的遥感及气象数据因精度㊁极端气候等因素带来误差ꎮ主要内容包括城市蓝绿空间格局特征量化㊁碳固存计算㊁关键指标分析与解译ꎮ２ １㊀数据获取与处理本研究所采用的数据包括土地利用数据㊁气象数据㊁植被类型数据㊁ＮＤＶＩ数据(表１)ꎮ从地理空间数据云平台(ｈｔｔｐｓ://ｗｗｗ.ｇｓｃｌｏｕｄ.ｃｎ/)获取２０００㊁２０１０年ＬａｎｄｓａｔＴＭ及２０２０年ＬａｎｄｓａｔＯＬＩ共３期遥感影像ꎬ空间分辨率３０ｍꎮ基于ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ平台对影像进行辐射定标㊁大气几何校正㊁条带修复等处理ꎮ根据中国土地利用/土地覆盖遥感监测数据分类系统(ＬＵＣＣ)遥感解译处理后的影像ꎬ将其划分为耕地㊁林地㊁草地㊁建设用地㊁水体㊁未利用地６类ꎬ得到各期合肥市土地利用分类数据ꎮ采用Ｋａｐｐａ系数对分类后图像精度评估验证ꎬ总体精确度达到８５％ꎬ高于最低精度要求ꎮ利用ＡｒｃＭａｐ１０ ８软件将林地㊁草地重分类成绿色空间ꎬ将水体重分类成蓝色空间ꎬ获得２０００㊁２０１０与２０２０年合肥中心城区蓝绿空间分布图(图１)ꎮ表１㊀数据来源及处理㊀㊀数据类型㊀㊀㊀㊀㊀㊀㊀数据来源数据精度土地利用数据ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ(ｈｔｔｐｓ://ｅａｒｔｈｅｎｇｉｎｅ ｇｏｏｇｌｅ ｃｏｍ/)Ｌａｎｄｓａｔ￣５(２０００年)㊁ｌａｎｄｓａｔ￣７(２０１０年)㊁Ｌａｎｄｓａｔ￣８(２０２０年)３０ｍˑ３０ｍ气象站点数据气温降水日辐射地理遥感生态网(ｈｔｔｐ://ｗｗｗ ｇｉｓｒｓ ｃｎ/)３０ｍˑ３０ｍ植被类型覆盖图地理遥感生态网(ｈｔｔｐ://ｗｗｗ ｇｉｓｒｓ ｃｎ/)３０ｍˑ３０ｍＮＤＶＩ数据ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ(ｈｔｔｐｓ://ｅａｒｔｈｅｎｇｉｎｅ ｇｏｏｇｌｅ ｃｏｍ/)Ｌａｎｄｓａｔ￣５(２０００年)㊁ｌａｎｄｓａｔ￣７(２０１０年)㊁Ｌａｎｄｓａｔ￣８(２０２０年)３０ｍˑ３０ｍ图１㊀合肥中心城区蓝绿空间分布２ ２㊀基于ＣＡＳＡ模型的ＮＰＰ计算采用ＮＰＰ表征城市蓝绿空间碳固存能力ꎬ选用ＣＡＳＡ模型进行计算ꎮＣＡＳＡ模型由Ｐｏｔｔｅｒ等[２１]１９９３年提出ꎬ用于表征陆地生态系统中Ｈ２Ｏ㊁Ｃ和Ｎ通量跟随时间演变而不断变化的生态系统过程ꎬ适合区域尺度的ＮＰＰ研究和估算[２２]ꎬ计算公式如下:ＮＰＰｘꎬｔ()＝ＡＰＲＡｘꎬｔ()ˑεｘꎬｔ()(１)㊀㊀式(１)中:ＮＰＰ(ｘꎬｔ)表示像元ｘ在ｔ月的植被净初级生产力(单位:ｇＣ ｍ－２ ａ－１)ꎻＡＰＡＲ(ｘꎬｔ)表示像元ｘ在ｔ月吸收的光合有效辐射(单位:ｇＣ ｍ－２ ｍｏｎｔｈ－１)ꎻε(ｘꎬｔ)表示像元ｘ在ｔ月的实际光能利用率(单位:ｇＣ ＭＪ－１)ꎮ８㊀第６期㊀袁旸洋㊀郭㊀蔚㊀汤思琪ꎬ等:城市蓝绿空间格局对碳固存的影响测度及关键指标㊀㊀植被吸收的光合有效辐射取决于太阳辐射和植物本身的特征ꎬＡＰＲＡ的计算公式如下:ＡＰＲＡｘꎬｔ()＝ＳＯＬｘꎬｔ()ˑＦＰＡＲｘꎬｔ()ˑ０ ５(２)㊀㊀式(２)中:ＳＯＬ(ｘꎬｔ)表示ｔ时期像元ｘ在ｔ月的太阳总辐射(单位:ＭＪ ｍ－２ｍｏｎｔｈ－１)ꎻＦＰＡＲ(ｘꎬｔ)为植被层对入射光合有效辐射的吸收比例ꎻ常数０ ５表示植被所能利用的太阳有效辐射占太阳总辐射的比例ꎮεｘꎬｔ()＝Ｔεｘꎬｔ()ˑＴεｘꎬｔ()ˑＷεｘꎬｔ()ˑεｍａｘ(３)㊀㊀式(３)中:Ｔε１(ｘꎬｔ)和Ｔε２(ｘꎬｔ)分别指月高温㊁月低温对光能利用率的胁迫作用系数ꎻＷε(ｘꎬｔ)为水分胁迫的影响系数ꎻεｍａｘ是理想条件下的最大光能利用率(单位:ｇＣ ＭＪ－１)ꎮ基于ＮＰＰ计算结果ꎬ使用自然断点法对计算结果分级ꎬ得到合肥中心城区３年的ＮＰＰ空间分布(图２)ꎮ图２㊀合肥中心城区２０００㊁２０１０㊁２０２０年ＮＰＰ空间分布２ ３㊀城市蓝绿空间格局特征量化选用斑块层与类型层的景观格局指标量化城市蓝绿空间格局特征(表２)ꎮ斑块层指标强调单个蓝绿斑块的特征ꎬ类型层侧重表征蓝绿空间整体形态特征ꎬ采用Ｆｒａｇｓｔａｔｓ４ ３软件计算ꎮ由于城市区域的蓝绿空间格局表现出高度的空间异质性和尺度依赖性[２３]ꎬ需选取适宜的移动窗口尺度ꎮ通过粒度和幅度分析方法确定６０ｍ为最适合研究区的粒度值ꎬ４００ｍ作为格局计算时移动窗口的大小ꎮ２ ４㊀ＸＧＢｏｏｓｔ模型构建与ＳＨＡＰ方法解译ｅＸｔｒｅｍｅＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ(ＸＧ￣Ｂｏｏｓｔ)机器学习模型是由Ｃｈｅｎ等[２４]提出的一种结合监督学习和集成学习方法的极限梯度提升树算法ꎮ针对本研究数据集庞大㊁特征复杂的问题ꎬＸＧＢｏｏｓｔ模型训练结果稳定㊁模型训练效率高ꎬ可很好地避免过拟合现象的发生[２５]ꎮ本研究分别基于斑块层和类型层２类指标及其对应的３年ＮＰＰ值ꎬ构建６个数据集ꎮ以２０２０年为例ꎬ采用ＡｒｃＧＩＳ１０ ７软件的随机取样工具创建随机取样点２００００个ꎬ将斑块层各指标和ＮＰＰ计算值提取至点ꎮ在建立类型层数据集时ꎬ考虑到取样点分布的均匀性及数据量ꎬ创建随机取样点４００００个ꎬ剔除不属于蓝绿空间的点ꎮ为避免模型的过拟合现象发生ꎬ对数据集进行了正则化处理ꎬ将８０％的数据作为训练集㊁２０％的数据作为测试集用于模型验证ꎮ其次ꎬ借助贝叶斯优化方法(Ｔｒｅｅ￣ｓｔｒｕｃｔｕｒｅｄＰａｒｚｅｎＥｓｔｉｍａｔｏｒꎬＴＰＥ)调整ＸＧＢｏｏｓｔ模型超参数ꎬ选取模型中主要超参数ｎ＿ｅｓｔｉｍａｔｏｒｓ㊁ｍａｘ＿ｄｅｐｔｈ㊁ｌｅａｒｎｉｎｇ＿ｒａｔｅ进行优化ꎮ之后ꎬ选择平均绝对误差(ＭｅａｎＡｂｓｏｌｕｔｅＥｒｒｏｒꎬＭＡＥ)㊁均方根误差(ＲｏｏｔＭｅａｎＳｑｕａｒｅｄＥｒｒｏｒꎬＲＭＳＥ)和决定系数(Ｒ２)做为预测效果的评价指标ꎬＲ２越接近１ꎬ表明模型拟合效果越好[２６]ꎮ此外ꎬ利用十折交叉验证法检验模型的泛化能力ꎬ对预测模型精度进行估计[２７]ꎮ验证结果６个数据集的均方根误差ＲＭＳＥ㊁评价绝对误差ＭＡＥ均较小ꎬＲ２值均接近１ꎬ十折交叉验证结果为０ ６９９~０ ９４２ꎬ表明建立的ＸＧＢｏｏｓｔ模型在训练集和测试集上的精度水平符合预期要求ꎮ９㊀㊀㊀㊀中㊀国㊀城㊀市㊀林㊀业㊀第２１卷表２㊀蓝绿空间格局特征指标指标分类指标名称㊀㊀计算公式㊀㊀㊀㊀内涵斑块层面积(ＡＲＥＡ)ＡＲＥＡ＝ａｉｊ１１００００()蓝绿斑块的面积周长(ＰＥＲＩＭ)ＰＥＲＩＭ＝ｐｉｊ斑块的周长ꎬ包括斑块内部孔隙的边缘长度欧式距离(ＥＮＮ)ＥＮＮ＝ðｚｒ＝１ｈｉｊｒｚ斑块边缘与斑块质心之间的平均距离分形维数(ＦＲＡＣ)ＦＲＡＣ＝２ｌｎ０ ２５ｐｉｊ()ｌｎａｉｊ１ɤＦＲＡＣɤ２()空间尺度(斑块大小)范围内的形状复杂性近圆指数(ＣＩＲＣＬＥ)ＳＱＵＡＲＥ＝１－ａｉｊａｓｉｊ[]０ɤＣＩＲＣＬＥɤ１()方形斑块ＣＩＲＣＬＥ＝０ꎬ细长线性斑块ＣＩＲＣＬＥ＝１邻近指数(ＣＯＮＴＩＧ)ＣＯＮＴＩＧ＝ðｚｒ－１ｃｉｊｋａｓｉｊéëêêùûúú－１ｖ－１０ɤＣＯＮＴＩＧɤ１()蓝绿斑块的空间连通性或邻近性类型层面积占比(ＰＬＡＮＤ)ＰＬＡＮＤ＝ðｎｊ＝１ａｉｊＡ每种斑块类型的比例丰度最大斑块指数(ＬＰＩ)ＬＰＩ＝ｍａｘａｉｊ()Ａ１００()空间类型的优势度量边缘密度(ＥＤ)ＥＤ＝ＥＡ在一定程度上表征空间形状复杂度景观形状指数(ＬＳＩ)ＬＳＩ＝０ ２５Ｅ㊀Ａ总边缘或边缘密度的标准化度量聚集度(ＡＩ)ＡＩ＝ｇｉｉｍａｘңｇｉｉ[]１００()蓝绿空间的聚集程度破碎度(ＤＩＶＩＳＩＯＮ)ＤＩＶＩＳＩＯＮ＝Ａ２ðｎｊ＝１ａ２ｉｊ蓝绿空间的破碎程度内聚力指数(ＣＯＨＥＳＩＯＮ)ＣＯＨＥＳＩＯＮ＝１－ðｍｊ＝１Ｐｉｊðｍｊ＝１Ｐｉｊ㊀ａｉｊéëêêùûúú１－１㊀Ａ[]－１１００()(０<ＣＯＨＥＮＳＩＯＮ<１００)蓝绿空间的物理连通性㊀㊀ＳＨＡＰ(ＳＨａｐｌｅｙＡｄｄｉｔｉｖｅｅｘＰｌａｎａｔｉｏｎｓ)方法由Ｌｕｎｄｂｅｒｇ和Ｌｅｅ[２８]提出ꎬ可准确解释机器学习模型中每个特征对结果的贡献度ꎬ提供全局模型和单个特征的局部解释结论ꎬ适用于解译城市蓝绿空间格局多个特征对碳固存的影响关系ꎮ同时ꎬＳＨＡＰ与ＸＧＢｏｏｓｔ集成良好ꎬ可通过ＴｒｅｅＳＨＡＰ算法有效地估计ＳＨＡＰ值[２９]ꎬ公式如下ꎮ＾ｙｉ＝ｓｈａｐ０＋ｓｈａｐＸ１ｉ()＋ｓｈａｐＸ２ｉ()＋＋ｓｈａｐＸｐｉ()(４)㊀㊀式(４)中:ｓｈａｐＸｊｉ()为观测ｉ的第ｊ个特征的ｓｈａｐ值ꎬ表示该特征对预测的边际贡献ꎮ假设一个ＸＧＢｏｏｓｔ模型ꎬ其中一组Ｎ(具有Ｎ个特征)用于预测输出ｖ(Ｎ)ꎮ在ＳＨＡＰ中ꎬ每个特征Φｉ是特征ｉ的贡献ꎬ对模型输出ｖ(Ｎ)的贡献是基于它们的边际贡献分配的ꎬ公式如下:Φｉｖａｌ()＝ðＳɪｘꎬ ｘ{}＼ｘ{}Ｓ!ｐ－Ｓ－１()!ｐ!ｖａｌＳɣｘｊ{}()－ｖａｌＳ()()(５)式(５)中:ｐ是特征的总数ꎻ{ｘｉꎬｘｐ}＼{ｘｊ}是不包括ｘｊ的所有可能的特征组合的集合ꎻＳ是{ｘｉꎬ ｘｐ}＼{ｘｊ}的特征集ꎻｖａｌ(Ｓɣ{ｘｊ})是特征在Ｓ加上特征ｘｊ的模型预测ꎮ３㊀结果与分析３ １㊀特征重要程度斑块层指标重要性排序(图３Ａ)表明ꎬ２０００年前３分别是ＦＲＡＣ㊁ＣＯＮＴＩＧ㊁ＡＲＥＡꎬ２０１０年是ＦＲＡＣ㊁ＥＮＮ㊁ＣＯＮＴＩＧꎬ２０２０年为ＦＲＡＣ㊁ＥＮＮ㊁ＡＲＥＡꎮ综合来看ꎬＦＲＡＣ在３年中ꎬ对ＮＰＰ的影响程度均最高ꎬ说明蓝绿斑块形状的复杂程度对碳固存最为重要ꎮ其次ꎬＣＯＮＴＩＧ在２０００㊁２０１０年ꎬＡＲＥＡ在２０００㊁２０２０年ꎬＥＮＮ在２０１０㊁２０２０年的贡献度排序为前３ꎬ表明蓝绿斑块的邻近度㊁面积㊁距离与碳固存有较强的相关０１㊀第６期㊀袁旸洋㊀郭㊀蔚㊀汤思琪ꎬ等:城市蓝绿空间格局对碳固存的影响测度及关键指标㊀㊀性ꎮ类型层指标重要性表明排名前３(图３Ｂ)分别为:２０００年是ＣＯＨＥＳＩＯＮ㊁ＥＤ㊁ＤＩＶＩＳＩＯＮꎬ２０１０年是ＬＳＩ㊁ＥＤ㊁ＤＩＶＩＳＩＯＮꎬ２０２０年是ＥＤ㊁ＣＯＨＥＳＩＯＮ㊁ＬＳＩꎮＥＤ在３年中ꎬ对ＮＰＰ的影响程度均最高ꎮ由此ꎬ蓝绿空间整体形状的复杂程度是影响碳固存的重要格局特征ꎮＣＯＨＥＳＩＯＮ在２０００㊁２０２０年ꎬＤＩＶＩＳＩＯＮ在２０００㊁２０１０年ꎬＬＳＩ在２０１０㊁２０２０年的重要性排序为前３ꎬ这表明蓝绿空间整体的连通性㊁破碎度㊁形状复杂性对于碳固存有较强的影响ꎮ综上ꎬ从特征重要程度排序可见斑块层中的ＦＲＡＣ㊁ＣＯＮＴＩＧ㊁ＡＲＥＡ和ＥＮＮ是影响碳固存的４个关键指标ꎬ类型层的关键指标是ＥＤ㊁ＣＯＨＥＳＩＯＮ㊁ＤＩＶＩＳＩＯＮ和ＬＳＩꎮ图３㊀城市蓝绿空间格局特征重要程度排序３ ２㊀关键指标分析３ ２ １㊀斑块层指标由图４可知ꎬ３年中ꎬ斑块层指标对ＮＰＰ影响趋势基本相似ꎮ表征斑块形状的ＦＲＡＣ㊁ＣＩＲＣＬＥ中ꎬＦＲＡＣ反映蓝绿斑块的形状ꎬ与ＮＰＰ呈正相关ꎬ即随着单个蓝绿斑块形状复杂程度的增加ꎬ碳固存能力增强ꎮ这可能是生态斑块形状越复杂ꎬ斑块与其他斑块之间的物质和能量信息交换越频繁ꎬ对斑块的生态功能辐射越有利ꎮ城市建成密度较高的区域大量蓝绿空间因受建筑㊁道路等硬质边界的限制ꎬ形状规则ꎬ碳固存能力较弱ꎮ因此ꎬ自然植被覆盖度高㊁人为干扰较少的蓝绿空间斑块ꎬ其形状复杂且受环境影响较小ꎬ斑块内部的生态结构较为稳定ꎬ碳固存能力更高ꎮＣＩＲＣＬＥ表征蓝绿斑块的近圆指数ꎬ与ＮＰＰ呈负相关ꎮＣＩＲＣＬＥ值接近１时ꎬ其形状越接近线形ꎬＮＰＰ值显著降低ꎬ即线形蓝绿斑块的碳固存能力较低ꎮ合肥中心城区的线形蓝绿斑块主要是十五里河㊁南淝河等水体及两侧绿地ꎬ以及道路绿地ꎮ河道等线性蓝绿斑块的碳固存能力较低的原因可能是硬化的河道驳岸阻碍了蓝绿之间的物质交换ꎬ限制了固碳能力的发挥ꎮ而道路绿地碳固存不高的原因可能是由于机动车排放的ＣＯ２浓度过高ꎬ对道路两侧绿化植物的碳固存能力产生一定的胁迫作用ꎮ表征蓝绿斑块分布的ＥＮＮ㊁ＣＯＮＴＩＧ与ＮＰＰ均呈负相关ꎮ其中ꎬＥＮＮ表征蓝绿斑块之间的距离ꎬ其与ＮＰＰ呈负相关ꎬ表明蓝绿斑块在空间分布上呈现更加分散的状态时ꎬ不利于碳固存能力的发挥ꎮＥＮＮ越小意味着城市蓝绿斑块的聚集度越高㊁破碎度越低ꎬ越有利于发挥碳固存能力ꎮＱｉｕ等[３０]研究得出林地聚集有利于ＵＧＩ植被碳吸收ꎬＭｎｇａｄｉ等[３１]认为景观破碎化会引起碳固存能力降低ꎬ与本文的研究结论基本一致ꎮ景观破碎度的增加会直接影响生境质量[３２]ꎬ若蓝绿空间的破碎度过高ꎬ即使植被覆盖程度较高ꎬ也不一定有好的碳固存能力ꎮ究其原因ꎬ一是蓝绿空间的破碎导致彼此联系减弱ꎬ阻断了物质交换与能量流动ꎮ研究表明ꎬ蓝绿空间的结构改变会直接影响植被的固碳功能[３３]ꎬ进而影响生态系统的净初级生产力ꎮ二是蓝绿空间的聚集程度将通过影响１１㊀㊀㊀㊀中㊀国㊀城㊀市㊀林㊀业㊀第２１卷图４㊀斑块层关键影响指标分析温度等植被生长环境ꎬ从而影响固碳能力ꎮ大量研究证实城市绿地的总面积相同情况下更密集的绿地通常比碎片化的更凉爽ꎮ高聚集度的蓝绿空间温度相对较低ꎬ避免了高温对植物光合作用的胁迫ꎬ影响植物的固碳能力[３４]ꎮＣＯＮＴＩＧ表征蓝绿斑块邻近度ꎬ其值在[０ꎬ０ ６]区间ꎬＳＨＡＰ值保持稳定ꎬ但在[０ ６ꎬ１ ０]区间ꎬ随着ＣＯＮＴＩＧ值的增大ꎬＳＨＡＰ值下降ꎮ其原因是:在合肥中心城区内ꎬ绿地中的绿色植物是发挥固碳作用的主体ꎬ而ＣＯＮＴＩＧ较高的区域为巢湖㊁董铺水库㊁大房郢水库等大面积水域ꎬ蓝绿空间中水体占比过大ꎬ导致其固碳量较低ꎮ表征斑块大小的ＡＲＥＡ㊁ＰＥＲＩＭ与ＮＰＰ的相关性趋势相似ꎬ均表现为指标值越大ꎬＳＨＡＰ值２１㊀第６期㊀袁旸洋㊀郭㊀蔚㊀汤思琪ꎬ等:城市蓝绿空间格局对碳固存的影响测度及关键指标㊀㊀越高ꎬ与ＮＰＰ呈正相关ꎬ即蓝绿斑块的面积越大ꎬ有利于碳固存能力提升ꎮ值得注意的是ꎬ当ＡＲＥＡ与ＰＥＲＩＭ的值在０附近时ꎬ对应的ＮＰＰ值变化区间较大ꎮ原因可能有二:一是形状的差异导致相似面积大小的蓝绿斑块碳固存能力有所不同ꎻ另一个是蓝绿斑块中不同的植物种类与群落结构造成了相同面积下碳固存的差异ꎮ因此ꎬ针对城市中尺度较小的蓝绿斑块ꎬ在面积增大受到限制的情况下ꎬ其碳固存能力的提升更应关注斑块形状和空间分布的调控ꎮ３ ２ ２㊀类型层指标表征蓝绿空间形状的ＥＤ㊁ＬＳＩ与ＮＰＰ均呈现正相关(图５)ꎮ其中ꎬＥＤ指标在[０ꎬ１２５]区间的ＮＰＰ值上升趋势加剧ꎬ在[１２５ꎬ２００]区间图５㊀类型层关键影响指标分析３１㊀㊀㊀㊀中㊀国㊀城㊀市㊀林㊀业㊀第２１卷的ＮＰＰ值上升趋势减缓ꎬ表明蓝绿空间的生态效益存在边缘效应ꎬ其与周边环境之间的界面越长ꎬ越有利于碳汇功能的发挥ꎮ同时ꎬＥＤ㊁ＬＳＩ均体现了蓝绿空间形状的复杂程度ꎬ均与ＮＰＰ正相关ꎬ表明蓝绿空间整体形状越复杂㊁固碳效果越好ꎮ其原因在于:蓝绿空间整体的形状复杂度提升ꎬ使之与周围环境间的界面更长[４]ꎬ蓝绿斑块之间㊁蓝绿斑块与其他斑块之间的物质和能量信息交换越频繁ꎬ碳汇效益的辐射范围更广ꎮ此外ꎬ有研究指出不规则的蓝绿斑块形态会降低其冷岛效应ꎬ使环境温度有一定的增加ꎬ从而间接影响植物的固碳作用[３５－３６]ꎮＤＩＶＩＳＩＯＮ和ＡＩ分别表征蓝绿空间破碎度与聚集度ꎮ当ＡＩ值在８０时ꎬＳＨＡＰ值最高ꎬ当[８０ꎬ１００]时ꎬＳＨＡＰ值降低ꎬ即ＮＰＰ降低ꎬ这是因为研究区内ＡＩ值[８０ꎬ１００]的区域为水体ꎬ而水体的碳汇效益明显低于绿地ꎮＤＩＶＩＳＩＯＮ与ＮＰＰ的正负关系不明晰ꎬ原因在于绿地的破碎度较高ꎬ而水体较低ꎬ蓝绿空间碳汇机制的不同对结果造成了一定的影响ꎮ与此类似的是表征蓝绿空间占比的ＰＬＡＮＤꎬ其与ＮＰＰ的关系呈现出一定的波动性ꎬ笔者认为主要原因在于合肥中心城区内蓝绿空间区域中水体的占比较大ꎮＣＯＨＥＳＩＯＮ表征蓝绿空间分布上的连通性ꎬ与ＮＰＰ呈现显著的正相关ꎬ即蓝绿空间的连通度越高ꎬ越有利于碳固存ꎮ这说明城市蓝绿空间的连通性是影响城市生态环境效益的重要因素ꎬ连通性的增加有助于改善城市蓝绿空间的均衡布局ꎬ更好地发挥降温效应ꎬ为植物提供良好的生长环境ꎬ从而增强植物的碳固存ꎻ另一方面ꎬ蓝绿空间连通性的增大可改善土壤水文连通性ꎬ水文通过影响土壤养分含量ꎬ调节植物营养元素浓度从而影响植被生长和固碳效率[３７－３８]ꎮ４ 城市蓝绿空间格局优化策略本研究的模型计算结果证实了城市蓝绿空间格局对其碳固存能力存在影响ꎬ指征蓝绿斑块形状的ＦＲＡＣ㊁ＣＯＮＴＩＧ㊁ＡＲＥＡ㊁ＥＮＮ以及表征蓝绿空间关系的ＥＤ㊁ＤＩＶＩＳＩＯＮ㊁ＣＯＨＥＳＩＯＮ㊁ＬＳＩ均是关键的影响指标ꎮ通过提取并比对高碳汇区域(图６)ꎬ据此提出以碳增汇为目标的城市蓝绿空间格局规划优化策略ꎮ图６㊀典型高碳汇蓝绿空间图谱单元㊀㊀１)规划与管理者要重视蓝绿斑块形状的调整与优化ꎮ对于面积较小ꎬ规模受限的蓝绿斑块ꎬ提升其碳固存能力的最重要途径在于形状和分布的调控ꎮ本研究发现蓝绿斑块边缘密度和斑块形状复杂程度对碳固存具有促进作用ꎮ因此ꎬ一方面应针对沿湖沿河地区ꎬ加强岸线保护ꎬ增加边缘式斑块如滨江湿地㊁林地的建设ꎬ合理利用巢湖沿岸的蓝绿空间资源ꎻ同时ꎬ进一步恢复城市发展中被填埋的沟㊁渠㊁小溪等水网末端支流㊁修复边角绿色空间ꎬ增大自然形态的蓝绿空间占４１㊀第６期㊀袁旸洋㊀郭㊀蔚㊀汤思琪ꎬ等:城市蓝绿空间格局对碳固存的影响测度及关键指标㊀㊀比ꎮ另一方面ꎬ针对地块或街区尺度的蓝绿空间设计ꎬ需对蓝绿空间形态进行精细化调控ꎬ避免形状过于规则的蓝绿斑块ꎬ在蓝绿空间与灰色空间之间增加过渡区域ꎬ增大蓝绿空间的渗透作用ꎮ２)提高城市蓝绿空间的聚集度㊁降低破碎度㊁提高连通性ꎮ在市域及城区尺度上ꎬ根据原有蓝绿空间的形态特征及空间组合模式开展针对性地规划设计ꎮ针对较大规模蓝绿斑块ꎬ如大蜀山㊁紫蓬山㊁巢湖等自然林地和水体ꎬ须严守政府制定的生态保护红线ꎬ设立生态核心区ꎬ限制建设用地的扩张ꎬ避免破碎化的发生ꎻ河道㊁道路绿化等线性蓝绿廊道ꎬ应尽量增加其宽度ꎻ关注新增蓝绿空间与周边蓝绿空间之间的连接ꎬ织补城市中心城区蓝绿空间网络ꎬ提升城市蓝绿斑块之间的连通性ꎮ５ 结论城市蓝绿空间格局对碳汇效益具有影响ꎬ不同的城市蓝绿空间格局特征对碳汇效益的影响程度不同ꎮ从格局特征的重要性程度来说ꎬ在斑块层中ꎬ城市蓝绿空间格局的ＦＲＡＣ㊁ＣＯＮＴＩＧ㊁ＡＲＥＡ和ＥＮＮ是影响碳固存的４个主要特征ꎻ在类型层中ꎬＥＤ㊁ＣＯＨＥＳＩＯＮ㊁ＤＩＶＩＳＩＯＮ和ＬＳＩ是影响碳固存的４个主要特征ꎮ在形态方面ꎬ城市蓝绿斑块的形态特征较面积特征对碳固存的影响更突出ꎮ在一定阈值内ꎬ城市蓝绿斑块的形状越复杂越有利于其碳固存的发挥ꎬ线性蓝绿空间斑块的碳固存能力明显低于面状蓝绿空间ꎮ此外ꎬ蓝绿斑块之间的距离越大ꎬ其碳固存能力越低ꎮ在分布方面ꎬ蓝绿空间聚集度越高㊁破碎度越低㊁碳汇效益越好ꎮ同时ꎬ蓝绿斑块之间的邻接性越高㊁连通度越高ꎬ碳汇效益越高ꎮ本研究尚存在一定的局限性ꎮ首先ꎬ由于受到遥感数据精度的限制ꎬ以及生态过程复杂性的制约ꎬ城市蓝绿空间碳固存的量化难以做到精准化ꎮ其次ꎬ在更小尺度上ꎬ植物种类㊁树木覆盖度㊁植物群落结构等是影响碳固存的重要因素ꎮ今后可以从多尺度㊁系统化出发ꎬ在关键影响指标研究的基础上ꎬ进一步探究水体对不同植被类型绿地碳固存能力的促进机制ꎬ研究蓝色空间对绿色空间固碳的增效作用ꎮ城市蓝绿空间是复杂且动态变化的三维实体ꎬ未来可将城市蓝绿空间的三维形态特征㊁拓扑空间网络引入研究ꎻ此外ꎬ还可基于城市化进程中蓝绿空间格局演变特征ꎬ探讨城市化对于碳固存的影响ꎬ更加全面深入地分析城市蓝绿空间形态特征与碳固存之间的关联ꎮ参考文献[１]ＧＲＩＭＭＮＢꎬＦＡＥＴＨＳＨꎬＧＯＬＵＢＩＥＷＳＫＩＮＥꎬｅｔａｌ.Ｇｌｏｂａｌｃｈａｎｇｅａｎｄｔｈｅｅｃｏｌｏｇｙｏｆｃｉｔｉｅｓ[Ｊ].Ｓｃｉｅｎｃｅꎬ２００８ꎬ３１９(５８６４):７５６－７６０.[２]ＩｎｔｅｒｇｏｖｅｒｎｍｅｎｔａｌＰａｎｅｌｏｎＣｌｉｍａｔｅＣｈａｎｇｅ(ＩＰＣＣ).Ｃｌｉｍａｔｅｃｈａｎｇｅ２０１３:ｔｈｅｐｈｙｓｉｃａｌｓｃｉｅｎｃｅｂａｓｉｓ.ＣｏｎｔｒｉｂｕｔｉｏｎｏｆｗｏｒｋｉｎｇｇｒｏｕｐＩｔｏｔｈｅｆｉｆｔｈａｓｓｅｓｓｍｅｎｔｒｅｐｏｒｔｏｆｔｈｅｉｎｔｅｒｇｏｖｅｒｎｍｅｎｔａｌｐａｎｅｌｏｎｃｌｉｍａｔｅｃｈａｎｇｅ[Ｃ].ＣａｍｂｒｉｄｇｅＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓꎬ２０１４. [３]周聪惠ꎬ张诗宁ꎬ赵金ꎬ等.城市蓝绿系统一体规划编制的关键问题与对策[Ｊ].规划师ꎬ２０２３ꎬ３９(１１):１０９－１１６. [３]ＹＵＺＷꎬＹＡＮＧＧＹꎬＺＵＯＳＤꎬｅｔａｌ.Ｃｒｉｔｉｃａｌｒｅｖｉｅｗｏｎｔｈｅｃｏｏｌｉｎｇｅｆｆｅｃｔｏｆｕｒｂａｎｂｌｕｅ￣ｇｒｅｅｎｓｐａｃｅ:ａｔｈｒｅｓｈｏｌｄ￣ｓｉｚｅｐｅｒｓｐｅｃｔｉｖｅ[Ｊ].ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇꎬ２０２０ꎬ４９:１２６６３０. [５]宋菊芳ꎬ江雪妮ꎬ郭贞妮ꎬ等.城市蓝绿空间特征参数与地表温度的关联量化分析[Ｊ].中国城市林业ꎬ２０２３ꎬ２１(１):２０－２６. [６]ＭＩＴＳＣＨＷＪꎬＢＥＲＮＡＬＢꎬＮＡＨＬＩＫＡＭꎬｅｔａｌ.Ｗｅｔｌａｎｄｓꎬｃａｒｂｏｎꎬａｎｄｃｌｉｍａｔｅｃｈａｎｇｅ[Ｊ].ＬａｎｄｓｃａｐｅＥｃｏｌｏｇｙꎬ２０１３ꎬ２８(４):５８３－５９７.[７]ＺＨＡＮＧＹꎬＭＥＮＧＷＱꎬＹＵＮＨＦꎬｅｔａｌ.Ｉｓｕｒｂａｎｇｒｅｅｎｓｐａｃｅａｃａｒｂｏｎｓｉｎｋｏｒｓｏｕｒｃｅ?￣ＡｃａｓｅｓｔｕｄｙｏｆＣｈｉｎａｂａｓｅｄｏｎＬＣＡｍｅｔｈｏｄ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＩｍｐａｃｔＡｓｓｅｓｓｍｅｎｔＲｅｖｉｅｗꎬ２０２２ꎬ９４:１０６７６６.[８]ＷＯＬＣＨＪＲꎬＢＹＲＮＥＪꎬＮＥＷＥＬＬＪＰ.Ｕｒｂａｎｇｒｅｅｎｓｐａｃｅꎬｐｕｂｌｉｃｈｅａｌｔｈꎬａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｊｕｓｔｉｃｅ:ｔｈｅｃｈａｌｌｅｎｇｅｏｆｍａｋｉｎｇｃｉｔｉｅｓ ｊｕｓｔｇｒｅｅｎｅｎｏｕｇｈ [Ｊ].ＬａｎｄｓｃａｐｅａｎｄＵｒｂａｎＰｌａｎｎｉｎｇꎬ２０１４ꎬ１２５:２３４－２４４.[９]ＭＡＪꎬＬＩＸＴꎬＪＩＡＢＱꎬｅｔａｌ.Ｓｐａｔｉａｌｖａｒｉａｔｉｏｎａｎａｌｙｓｉｓｏｆｕｒｂａｎｆｏｒｅｓｔｖｅｇｅｔａｔｉｏｎｃａｒｂｏｎｓｔｏｒａｇｅａｎｄｓｅｑｕｅｓｔｒａｔｉｏｎｉｎｂｕｉｌｔ￣ｕｐａｒｅａｓｏｆＢｅｉｊｉｎｇｂａｓｅｄｏｎｉ￣ＴｒｅｅＥｃｏａｎｄＫｒｉｇｉｎｇ[Ｊ].ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇꎬ２０２１ꎬ６６:１２７４１３.[１０]ＬＥＥＪＨꎬＫＯＹꎬＭＣＰＨＥＲＳＯＮＥＧ.Ｔｈｅｆｅａｓｉｂｉｌｉｔｙｏｆｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａｔｏｅｓｔｉｍａｔｅｕｒｂａｎｔｒｅｅｄｉｍｅｎｓｉｏｎｓａｎｄｂｉｏｍａｓｓ[Ｊ].ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇꎬ２０１６ꎬ１６:２０８－２２０. [１１]ＢＥＬＴＲÁＮ￣ＳＡＮＺＮꎬＲＡＧＧＩＯＪꎬＧＯＮＺＡＬＥＺＳꎬｅｔａｌ.ＣｌｉｍａｔｅｃｈａｎｇｅｌｅａｄｓｔｏｈｉｇｈｅｒＮＰＰａｔｔｈｅｅｎｄｏｆｔｈｅｃｅｎｔｕｒｙｉｎｔｈｅＡｎｔａｒｃｔｉｃＴｕｎｄｒａ:ｒｅｓｐｏｎｓｅｐａｔｔｅｒｎｓｔｈｒｏｕｇｈｔｈｅｌｅｎｓｏｆｌｉｃｈｅｎｓ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２２ꎬ８３５:１５５４９５. [１２]ＨＵＹＢꎬＺＨＡＮＧＱꎬＨＵＳＪꎬｅｔａｌ.Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓａｎｄｐｒｏｓｐｅｃｔｓｏｆｅｃｏｓｙｓｔｅｍｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｕｎｄｅｒｃｌｉｍａｔｅｃｈａｎｇｅ(１９９２－５１㊀㊀㊀㊀中㊀国㊀城㊀市㊀林㊀业㊀第２１卷２０２２)[Ｊ].ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓꎬ２０２２ꎬ１４５:１０９６５６. [１３]ＦＲＡＮＣＩＮＩＧꎬＨＵＩＮꎬＪＵＭＰＰＯＮＥＮＡꎬｅｔａｌ.Ｖｅｇｅｔａｔｉｏｎｔｙｐｅａｎｄａｇｅｍａｔｔｅｒ:ｈｏｗｔｏｏｐｔｉｍｉｚｅｔｈｅｐｒｏｖｉｓｉｏｎｏｆｅｃｏｓｙｓｔｅｍｓｅｒｖｉｃｅｓｉｎｕｒｂａｎｐａｒｋｓ[Ｊ].ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇꎬ２０２１ꎬ６６:１２７３９２.[１４]ＬＩＸＴꎬＪＩＡＢＱꎬＬＩＦꎬｅｔａｌ.Ｅｆｆｅｃｔｓｏｆｍｕｌｔｉ￣ｓｃａｌｅｓｔｒｕｃｔｕｒｅｏｆｂｌｕｅ￣ｇｒｅｅｎｓｐａｃｅｏｎｕｒｂａｎｆｏｒｅｓｔｃａｒｂｏｎｄｅｎｓｉｔｙ:ＢｅｉｊｉｎｇꎬＣｈｉｎａｃａｓｅｓｔｕｄｙ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２３ꎬ８８３:１６３６８２.[１５]ＹＡＮＧＨＦꎬＺＨＯＮＧＸＮꎬＤＥＮＧＳＱꎬｅｔａｌ.ＡｓｓｅｓｓｍｅｎｔｏｆｔｈｅｉｍｐａｃｔｏｆＬＵＣＣｏｎＮＰＰａｎｄｉｔｓｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｉｎｔｈｅＹａｎｇｔｚｅＲｉｖｅｒＢａｓｉｎꎬＣｈｉｎａ[Ｊ].ＣＡＴＥＮＡꎬ２０２１ꎬ２０６:１０５５４２. [１６]成玉宁ꎬ王雪原.城市蓝绿空间融合规划的生态逻辑[Ｊ].中国园林ꎬ２０２３ꎬ３９(１０):３９－４３.[１７]刘颂ꎬ张浩鹏.多尺度城市绿地碳汇实现机理及途径研究进展[Ｊ].风景园林ꎬ２０２２ꎬ２９(１２):５５－５９.[１８]王晶懋ꎬ高洁ꎬ孙婷ꎬ等.双碳目标导向下的绿色生态空间碳汇能力优化设计[Ｊ].中国城市林业ꎬ２０２３ꎬ２１(４):３３－４２. [１９]ＪＩＡＮＧＹꎬＳＵＮＹꎬＬＩＵＹꎬｅｔａｌ.Ｅｘｐｌｏｒｉｎｇｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｗａｔｅｒｂｏｄｉｅｓꎬｇｒｅｅｎｓｐａｃｅｍｏｒｐｈｏｌｏｇｙꎬａｎｄｃａｒｂｏｎｄｉｏｘｉｄｅｃｏｎｃｅｎｔｒａｔｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｓｉｎａｎｕｒｂａｎｗａｔｅｒｆｒｏｎｔｇｒｅｅｎｓｐａｃｅ:ａｓｉｍｕｌａｔｉｏｎｓｔｕｄｙｂａｓｅｄｏｎｔｈｅｃａｒｂｏｎｃｙｃｌｅ[Ｊ].ＳｕｓｔａｉｎａｂｌｅＣｉｔｉｅｓａｎｄＳｏｃｉｅｔｙꎬ２０２３ꎬ９８:１０４８３１.[２０]武静ꎬ蒋卓利ꎬ吴晓露.城市蓝绿空间的碳汇研究热点与趋势分析[Ｊ].风景园林ꎬ２０２２ꎬ２９(１２):４３－４９.[２１]ＰＯＴＴＥＲＣＳꎬＲＡＮＤＥＲＳＯＮＪＴꎬＦＩＥＬＤＣＢꎬｅｔａｌ.Ｔｅｒｒｅｓｔｒｉａｌｅｃｏｓｙｓｔｅｍｐｒｏｄｕｃｔｉｏｎ:ａｐｒｏｃｅｓｓｍｏｄｅｌｂａｓｅｄｏｎｇｌｏｂａｌｓａｔｅｌｌｉｔｅａｎｄｓｕｒｆａｃｅｄａｔａ[Ｊ].ＧｌｏｂａｌＢｉｏｇｅｏｃｈｅｍｉｃａｌＣｙｃｌｅｓꎬ１９９３ꎬ７(４):８１１－８４１.[２２]朱文泉ꎬ潘耀忠ꎬ张锦水.中国陆地植被净初级生产力遥感估算[Ｊ].植物生态学报ꎬ２００７ꎬ３１(３):４１３－４２４.[２３]邱陈澜ꎬ王彩侠ꎬ章瑞ꎬ等.京津冀城市群生态空间固碳服务功能及其与景观格局的关系特征[Ｊ].生态学报ꎬ２０２２ꎬ４２(２３):９５９０－９６０３.[２４]ＣＨＥＮＴＱꎬＧＵＥＳＴＲＩＮＣ.ＸＧＢｏｏｓｔ:ａｓｃａｌａｂｌｅｔｒｅｅｂｏｏｓｔｉｎｇｓｙｓｔｅｍ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２２ｎｄＡＣＭＳＩＧＫＤＤＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙａｎｄＤａｔａＭｉｎｉｎｇ.ＡＣＭꎬ２０１６.[２５]ＹＡＮＧＣꎬＣＨＥＮＭＹꎬＹＵＡＮＱ.ＴｈｅａｐｐｌｉｃａｔｉｏｎｏｆＸＧＢｏｏｓｔａｎｄＳＨＡＰｔｏｅｘａｍｉｎｉｎｇｔｈｅｆａｃｔｏｒｓｉｎｆｒｅｉｇｈｔｔｒｕｃｋ￣ｒｅｌａｔｅｄｃｒａｓｈｅｓ:ａｎｅｘｐｌｏｒａｔｏｒｙａｎａｌｙｓｉｓ[Ｊ].ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎꎬ２０２１ꎬ１５８:１０６１５３.[２６]ＷＡＮＧＳꎬＺＨＯＵＹꎬＹＯＵＸＸꎬｅｔａｌ.ＱｕａｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅａｎｔａｇｏｎｉｓｔｉｃａｎｄｓｙｎｅｒｇｉｓｔｉｃｅｆｆｅｃｔｓｏｆＰｂ２＋ꎬＣｕ２＋ꎬａｎｄＺｎ２＋ｂｉｏａｃｃｕｍｕｌａｔｉｏｎｂｙｌｉｖｉｎｇＢａｃｉｌｌｕｓｓｕｂｔｉｌｉｓｂｉｏｍａｓｓｕｓｉｎｇＸＧＢｏｏｓｔａｎｄＳＨＡＰ[Ｊ].ＪｏｕｒｎａｌｏｆＨａｚａｒｄｏｕｓＭａｔｅｒｉａｌｓꎬ２０２３ꎬ４４６:１３０６３５.[２７]ＹＥＭꎬＺＨＵＬꎬＬＩＸＪꎬｅｔａｌ.ＥｓｔｉｍａｔｉｏｎｏｆｔｈｅｓｏｉｌａｒｓｅｎｉｃｃｏｎｃｅｎｔｒａｔｉｏｎｕｓｉｎｇａｇｅｏｇｒａｐｈｉｃａｌｌｙｗｅｉｇｈｔｅｄＸＧＢｏｏｓｔｍｏｄｅｌｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２３ꎬ８５８:１５９７９８.[２８]ＬＵＮＤＢＥＲＧＳＭꎬＬＥＥＳＩ.Ａｕｎｉｆｉｅｄａｐｐｒｏａｃｈｔｏｉｎｔｅｒｐｒｅｔｉｎｇｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ.ＡＣＭꎬ２０１７. [２９]ＬＵＮＤＢＥＲＧＳＭꎬＥＲＩＯＮＧＧꎬＬＥＥＳＩ.Ｃｏｎｓｉｓｔｅｎｔｉｎｄｉｖｉｄｕａｌｉｚｅｄｆｅａｔｕｒｅａｔｔｒｉｂｕｔｉｏｎｆｏｒｔｒｅｅｅｎｓｅｍｂｌｅｓ[ＥＢ/ＯＬ].(２０１８－０２－１２) [２０２３－１０－３０].ｈｔｔｐ://ａｒｘｉｖ.ｏｒｇ/ａｂｓ/１８０２.０３８８８.[３０]ＱＩＵＳꎬＦＡＮＧＭＺꎬＹＵＱꎬｅｔａｌ.ＳｔｕｄｙｏｆｓｐａｔｉａｌｔｅｍｐｏｒａｌｃｈａｎｇｅｓｉｎＣｈｉｎｅｓｅｆｏｒｅｓｔｅｃｏ￣ｓｐａｃｅａｎｄｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓｆｏｒｅｎｈａｎｃｉｎｇｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｃａｐａｃｉｔｙｔｈｒｏｕｇｈｅｃｏｌｏｇｉｃａｌｓｐａｔｉａｌｎｅｔｗｏｒｋｔｈｅｏｒｙ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２３ꎬ８５９:１６００３５.[３１]ＭＮＧＡＤＩＭꎬＯＤＩＮＤＩＪꎬＭＵＴＡＮＧＡＯꎬｅｔａｌ.Ｅｓｔｉｍａｔｉｎｇａｂｏｖｅｇｒｏｕｎｄｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｏｆｒｅｆｏｒｅｓｔｅｄｔｒｅｅｓｉｎａｎｕｒｂａｎｌａｎｄｓｃａｐｅｕｓｉｎｇｂｉｏｐｈｙｓｉｃａｌｖａｒｉａｂｌｅｓａｎｄｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２２ꎬ８０２:１４９９５８.[３２]ＴＩＡＮＹＨꎬＪＩＭＣＹꎬＷＡＮＧＨＱ.Ａｓｓｅｓｓｉｎｇｔｈｅｌａｎｄｓｃａｐｅａｎｄｅｃｏｌｏｇｉｃａｌｑｕａｌｉｔｙｏｆｕｒｂａｎｇｒｅｅｎｓｐａｃｅｓｉｎａｃｏｍｐａｃｔｃｉｔｙ[Ｊ].ＬａｎｄｓｃａｐｅａｎｄＵｒｂａｎＰｌａｎｎｉｎｇꎬ２０１４ꎬ１２１:９７－１０８. [３３]王敏ꎬ石乔莎.城市绿色碳汇效能影响因素及优化研究[Ｊ].中国城市林业ꎬ２０１５ꎬ１３(４):１－５.[３４]ＥＳＴＯＱＵＥＲＣꎬＭＵＲＡＹＡＭＡＹꎬＭＹＩＮＴＳＷ.Ｅｆｆｅｃｔｓｏｆｌａｎｄｓｃａｐｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｐａｔｔｅｒｎｏｎｌａｎｄｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅ:ａｎｕｒｂａｎｈｅａｔｉｓｌａｎｄｓｔｕｄｙｉｎｔｈｅｍｅｇａｃｉｔｉｅｓｏｆＳｏｕｔｈｅａｓｔＡｓｉａ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０１７ꎬ５７７:３４９－３５９.[３５]ＭＡＳＯＵＤＩＭꎬＴＡＮＰＹ.Ｍｕｌｔｉ￣ｙｅａｒｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｅｆｆｅｃｔｓｏｆｓｐａｔｉａｌｐａｔｔｅｒｎｏｆｕｒｂａｎｇｒｅｅｎｓｐａｃｅｓｏｎｕｒｂａｎｌａｎｄｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅ[Ｊ].ＬａｎｄｓｃａｐｅａｎｄＵｒｂａｎＰｌａｎｎｉｎｇꎬ２０１９ꎬ１８４:４４－５８.[３６]ＬＩＡＯＷꎬＧＵＬＤＭＡＮＮＪＭꎬＨＵＬꎬｅｔａｌ.Ｌｉｎｋｉｎｇｕｒｂａｎｐａｒｋｃｏｏｌｉｓｌａｎｄｅｆｆｅｃｔｓｔｏｔｈｅｌａｎｄｓｃａｐｅｐａｔｔｅｒｎｓｉｎｓｉｄｅａｎｄｏｕｔｓｉｄｅｔｈｅｐａｒｋ:ａｓｉｍｕｌｔａｎｅｏｕｓｅｑｕａｔｉｏｎｍｏｄｅｌｉｎｇａｐｐｒｏａｃｈ[Ｊ].ＬａｎｄｓｃａｐｅａｎｄＵｒｂａｎＰｌａｎｎｉｎｇꎬ２０２３ꎬ２３２:１０４６８１.[３７]ＺＨＡＮＧＱＪꎬＷＡＮＧＺＳꎬＸＩＡＳＸꎬｅｔａｌ.Ｈｙｄｒｏｌｏｇｉｃ￣ｉｎｄｕｃｅｄｃｏｎｃｅｎｔｒａｔｅｄｓｏｉｌｎｕｔｒｉｅｎｔｓａｎｄｉｍｐｒｏｖｅｄｐｌａｎｔｇｒｏｗｔｈｉｎｃｒｅａｓｅｄｃａｒｂｏｎｓｔｏｒａｇｅｉｎａｆｌｏｏｄｐｌａｉｎｗｅｔｌａｎｄｏｖｅｒｗｅｔ￣ｄｒｙａｌｔｅｒｎａｔｉｎｇｚｏｎｅｓ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２２ꎬ８２２:１５３５１２. [３８]ＬＩＹꎬＬＩＭＤꎬＺＨＥＮＧＺＣꎬｅｔａｌ.ＴｒｅｎｄｓｉｎｄｒｏｕｇｈｔａｎｄｅｆｆｅｃｔｓｏｎｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｏｖｅｒｔｈｅＣｈｉｎｅｓｅｍａｉｎｌａｎｄ[Ｊ].ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔꎬ２０２３ꎬ８５６:１５９０７５.６１。